May, 2024

神经形态模拟：人工智能代理的高效学习路径

PDF
TL;DR基于混合信号神经形态硬件实现的模型基于强化学习（MBRL）利用脉冲神经网络（SNNs）的硬件实现方法，通过在线学习（“清醒” 阶段）和离线学习（“梦境” 阶段）的交替，兼具混合信号神经形态芯片的能耗优势和高样本效率，通过由真实和模拟经验组成的代理网络和生成模拟经验的学习世界模型网络两个互补网络的模型验证，成功训练硬件实现来玩 Atari 游戏 Pong，相比基础线索的代理网络学习，加入梦境大大减少了所需真实游戏经验的数量，并且这些结果为能耗高效的神经形态学习系统在真实世界的应用和用例中的快速学习铺平了道路。
energy efficiencylearningmodel-based reinforcement learningspiking neural networksneuromorphic hardware
发现论文，激发创造
  • 低功耗神经形态处理硬件

    本文回顾了构建新一类仿效人脑以时间编码和处理信息的信息处理引擎所涉及的一些体系结构和系统级设计方面，以解决能效问题。

    Jan, 2019

  • 融入神经形态计算的大脑启示全局 - 局部学习

    本文提出了一种神经形态混合学习模型，该模型实现了元学习局部可塑性和多尺度协同学习的降低维度的脉冲神经网络。在多个任务中展示了该模型的性能，包括在神经形态视觉传感器中的少样本学习、连续学习和容错学习。该模型表现出比单一学习方法显著更高的性能，并展示了在嵌入式应用方面的应用优势。

    Jun, 2020

  • 提高前馈神经网络在脉冲神经形态芯片中的分类准确性

    使用新的二进制硬件跨棒学习算法实现深度神经网络在 TrueNorth 芯片上的部署，可在以前工作的基础上实现显著提高（76％与 86％准确度）同时保持良好的性能 MNIST 手写数据集。

    May, 2017

  • 一种神经形态学架构用于基于实数观测的强化学习

    该论文提出了一种新颖的脉冲神经网络 (SNN) 架构，用于解决具有实值观测的强化学习问题，该模型结合了多层事件驱动聚类、时序差分误差调节和资格迹，通过消融实验验证了这些组件对模型性能的显著影响，该网络在经典的强化学习环境中始终优于基于表格的方法，提供了更具硬件效率的强化学习解决方案的发展。

    Jul, 2023

  • 完全脉冲行动者网络带有层内连接的强化学习

    借鉴昆虫中的非脉冲神经元，我们提出了一种完全脉冲的演员网络 (ILC-SAN)，其中利用了神经形态硬件、脉冲神经网络和深度强化学习，旨在实现高效的人工智能控制任务。

    Jan, 2024

  • 基于脉冲神经网络的贝叶斯连续学习

    本文提出了一种基于贝叶斯持续学习框架，以及在线学习规则用于进行神经形态工程，以实现能够适应变化学习任务的特性和风险管理，同时产生良好校准的不确定性估计的真正的神经形态系统的设计。

    Aug, 2022

  • 脉冲 Q 学习的深度强化学习

    本研究提出了一种名为 DSQN 的深度尖峰 Q 网络，使用非尖峰神经元的膜电压作为 Q 值的表示，可以从高维度的感官输入中直接学习稳健的决策，并在 17 个 Atari 游戏中表现出优异的性能，具有更好的学习稳定性和对抗攻击鲁棒性。

    Jan, 2022

  • 学习到学习：基于相变内存的内存计算实现的快速学习

    低功耗、自主学习的人工智能 (AI) 系统对于能够应用于边缘设备并快速适应特定场景的需求日益增长。本文将学习到学习 (L2L) 的概念与基于相变存储器设备的内存计算神经形态硬件 (NMHW) 相结合，构建了能够快速适应新任务的高效 AI 模型。通过两种场景的实证表明了我们方法的多功能性：一个卷积神经网络进行图像分类，以及一个生物启发的脉冲神经网络为真实机械臂生成运动指令。这两个模型在少量参数更新的情况下快速学习，并在 NMHW 上性能与软件等效。此外，这些模型的元训练可以在高精度的软件环境中完成，无需准确的硬件模型。

    Apr, 2024

  • 神经形态硬件上机器学习工作量的高效部署

    本文提供了一种将预先训练的深度神经网络 (DNNs) 转换成脉冲神经网络 (SNNs) 的通用指南，并介绍了一些在神经形态硬件上部署转换后的 SNNs 的技术，可显著改进其延迟，功耗和能耗。实验结果表明，与 Intel Neural Compute Stick 2 相比，使用我们的 SNN 改进技术， Intel 的神经形态处理器 Loihi 在测试的图像分类任务中功耗降低了最多 27 倍，能耗降低了最多 5 倍。

    Oct, 2022

  • 混合脉冲神经网络的持续学习中的神经通路自适应重组

    基于大脑启发的自适应神经路径重组的持续学习算法，在增量任务中通过自组织调控网络资源以有效应对多样化的认知任务，表现出卓越的性能、能量消耗和内存容量。具备学习更复杂任务、整合过去学习知识以及自我修复能力的特点。

    Sep, 2023